Interpretación de la prueba t en el caso de estudio con un maniquí de regresión

Question

No estoy seguro acerca de mi interpretación de los t-ratios de simulación modelos de regresión para el caso de los estudios. Tengo los resultados de dos grupos diferentes de modelos de examinar el impacto de las noticias sobre la rentabilidad de las acciones y la quiero comparar con ellos.

El primer grupo se aplica el siguiente modelo:

(1) $R_{t}=\beta_{0} + \beta_{1}R_{mt}+\beta_{2}D_{Gt}+\beta_{3}D_{Bt}+\epsilon_{t}$

donde ${R}_{t}$ es el regreso de una empresa en el momento t, $R_{mt}$ es la rentabilidad del mercado en el momento t, $D_{Gt}$ es una variable dummy que es igual a uno en la ventana de eventos de Buenas Noticias que ocurren y $D_{Bt}$ es similar dummy que indica la aparición de malas noticias. Por lo tanto, el coeficiente de $\beta_{2}$ ($\beta_{3}$) las señales de los rendimientos anormales después de una buena (mala) noticia.

El segundo grupo incluye sólo un muñeco de buenas noticias:

(2) $R_{t}=\beta_{0} + \beta_{1}R_{mt}+\beta_{4}D_{Gt}+\epsilon_{t}$

aquí $D_{Gt}$ es igual a uno si la buena noticia ocurrir y 0 si las malas noticias se producen. Por lo tanto, $\beta_{4}$ muestra la diferencia en los rendimientos después de la buena noticia, en comparación con las malas noticias.

Mi pregunta es: ¿Cómo conseguir la absoluta retornos anormales para una buena y una mala noticia desde el modelo de tipo 2? Es el retorno anormal después de la buena noticia de $\beta_{0}+\beta_{4}$? Y si $\beta_{4}$ tiene un t-valor de 3.00, puedo decir que el t-valor de $\beta_{0}+\beta_{4}$ es también 3.00 y por lo tanto los rendimientos anormales después de las buenas noticias son estadísticamente significativos?

Gracias por su ayuda!

Answer 1

En cuanto a tu segundo modelo de que se trate:

1. Retornos anormales para las buenas noticias es de $\beta_4$
2. El t-valor 3 indica que es significativamente diferente de 0
3. El modelo no toma en cuenta el efecto de malas noticias, por lo que el efecto de las malas noticias serán en su mayoría se encuentran en los picos de los residuos de todo el tiempo de mal comunicados de prensa.
4. $\beta_0$ es el retorno cuando todos los otros factores en el modelo (la rentabilidad de mercado, una buena noticia) son 0, es decir, más o menos "libre de riesgo" de retorno.

Answer 2

Para el t-ratio, debe volver a parametrizar su ecuación, de modo que $(β_0+β_4)$ es tratado como uno de los coeficientes, a decir $\gamma$ o un coef de una sola variable. usted no puede usar una t-ratio para hacer inferencia sobre el otro. $β_0$ es el promedio del retorno de esta población, el coeficiente de variable ficticia absorbe los rendimientos anormales. Usted podría hacer esto: $$R_t=\beta_0+\beta_{0}D_{Gt}-\beta_{0}D_{Gt}+\beta_{1}R_{mt}+\beta_{4}D_{Gt}+\epsilon$$ a continuación, la recopilación de los términos comunes que se han $$R_t=\beta_0(1-D_{Gt})+\beta_{1}R_{mt}+(\beta_{0}+\beta_{4})D_{Gt}+\epsilon$$

aquí, $\gamma=(\beta_{0}+\beta_{4})$ y $D=(1-D_{Gt})$ es una nueva variable que puede crear en excel. ahora debería retroceder $R_t$ de la siguiente manera $$R_t=\beta_0D+\beta_{1}R_{mt}+\gamma D_{Gt}+\epsilon$$, el valor de t de $\gamma$ puede ser utilizado para la inferencia de $(\beta_{0}+\beta_{4})$.

Answer 3

Yo no soy de dejar de entender lo que quieres decir con absoluta rendimientos anormales. Puedo entender que quieran probar el asimétrica efectos de buenas y malas noticias. Hay una prueba similar llamado signo de las pruebas de sesgo por Engle, exactamente, que se aplica en el modelo GARCH, se puede comprobar.

A mi entender, si usted desea probar la diferencia de los efectos de buenas y malas noticias, la ecuación 1 es suficiente. En la ecuación 2, asumo $D_{Gt}$ es diferente a la de la ecuación 1 de acuerdo a su explicación, entonces $\beta_4$ está muy bien para explicar que los retornos anormales para una buena y una mala noticia (en total) afectan el retorno de la empresa.